一种高超声速弹载雷达目标抗杂检测与智能鉴别方法

本发明隶属于雷达目标探测识别研究领域，适用于解决高超声速飞行器在末端大入射余角攻击时海杂波背景下对低速目标检测和鉴别问题。

背景技术：

1、高超声速弹载雷达在上有广泛的应用，其中的重点与难点是对海面低速目标，如舰船、浮标、海面漂浮物等的检测。在反舰应用背景下，雷达制导是飞行器普遍采用的末制导方式，为了实现快速打击和高空突防，高超声速飞行器末制导阶段弹载雷达入射余角(擦地角)一般比较大，在大入射余角(high grazing angle，hga)情况下末制导雷达面临的海杂波环境比传统低空突防飞航式反舰飞行器要严酷的多，海杂波后向散射强度增大，导致雷达导引头面临捕捉海杂波的风险，难以稳定检测和跟踪目标。传统的频域恒虚警率(constant false alarm rate,cfar)检测方法无法有效检测目标，使得对海面漂浮目标的检测面临巨大挑战。

2、海杂波一般不同于高斯白噪声，特性与入射余角、海情等因素有关，海杂波的不确定性和渐变性使得弹载雷达在高海情、大入射余角下面临着严峻考验。海杂波特性主要包括幅度分布、多普勒频谱分布、空间相关性、时间相关性、极化特性等，幅度统计模型研究最为广泛，经典的模型有瑞利分布、对数正态分布、威布尔分布和k分布等。随着雷达分辨率的提高，k分布是普遍认为最贴近海杂波分布的模型。weinberg g v利用机载ingara全极化x波段雷达数据对入射余角20-50°情况下的海杂波特性进行了分析，研究发现pareto分布不仅是小入射余角雷达海杂波回波的一个很好的模型，同时它作为大入射余角雷达海杂波模型也是有效的。可见，海杂波有较强的相关性，强海杂波下信号相参积累信噪比改善面临严峻挑战，因此，如何需要对海杂波加以抑制。杂波白化是一种常用的方法，而海杂波频谱的不确定性和渐变新给传统方法带来挑战。因此，如何实现海杂波白化，然后再进行积累是一个有意思的课题。进一步的，相参积累后，海杂波与目标需要进一步鉴别剔除，考虑海杂波在信号中的形态、维持时间、幅度等与海上目标有较大差别，可以利用这些特征加以鉴别。机器学习是近年来非常热门的用于目标识别的方法，支持向量机是最金典的方法，因此，可以在相参积累后再利用支持向量机构建分类器，鉴别并剔除海杂波，以提高弹载雷达抗海杂波能力。

技术实现思路

1、针对高超声速飞行器在大入射余角背景下对海面慢速目标检测问题，提供了一种高超声速弹载雷达目标抗杂检测与智能鉴别方法，通过kl散度的海杂波频谱估计与归一化抑制和支持向量机的海杂波鉴别来实现抗海杂波。本发明解决所述技术问题，采用技术方案步骤如下：

2、1.一种高超声速弹载雷达目标抗杂检测与智能鉴别方法，其特征在于包括以下技术措施：

3、步骤一、开展海杂波实验数据分析，获得不同入射余角和不同海情下海杂波数据的频谱特征，获得海杂波频谱的先验分布，将海杂波频谱用高斯曲线来近似

4、

5、其中，f0为海杂波的中心频率，σc为海杂波的频谱标准差，且σc＝2σv/λ，σv为海杂波速度分布的均方根值，λ为雷达电磁波波长；

6、步骤二、kl散度的海杂波频谱估计与归一化抑制，具体方法为：

7、采用一种块中值自适应谱估计方法，在时频域内多普勒频率单元的谱估计值，根据邻近距离门的海杂波估计滤波器的参数，得到相应的自适应频谱滤波器，并进行基于自适应频谱滤波器的海杂波抑制，在时频域内多普勒频率单元nk的谱估计值用下式来表示

8、

9、采用多个单元的中值估计得到每个频率点的多普勒值，完成海杂波的多普勒谱估计，并利用估计出的多普勒谱归一化信号中的海杂波；利用先验得到的海杂波在对应的入射余角和海清情况下的频谱分布与p(nk)比较，采用kl散度来计算两者的拟合度

10、

11、当两个分布完成相等时，kl(q||p)＝0。通过求解kl散度的最小化，来确定q分布参数海杂波的中心频率f0，海杂波的频谱标准差σc以及系数c0，这样我们当分布与先验分布最匹配时，kl(q||p)取最小值，这样可以实时得到频谱的分布p，并利用估计获得的频谱对海杂波进行归一化处理；

12、步骤三、将经过步骤二海杂波频谱归一化抑制处理后，对信号进行短时傅里叶变换，得到新的频域的二维矩阵信号，积累后得到新的二维矩阵信号；

13、步骤四、基于支持向量机的海杂波智能鉴别，具体方法为：

14、由于不同海杂波环境对应的海杂波分布有差别，因此对步骤三得到的二维矩阵进行cfar，采用基于支持向量机的方法来确定恒虚警门限；由于海杂波实验数据里大多数时候是没有目标的，因此利用支持向量机对海杂波数据进行训练，获得分类器；海杂波在线cfar检测时，利用获取的分类器，实现目标和海杂波的分类。

15、2.一种高超声速弹载雷达目标抗杂检测与智能鉴别方法，其特征在于权利要求1步骤四中分类器的获取方法具体为

16、(1)入不同入射余角、不同海情的纯海杂波数据集、目标信号数据集和预设的虚警概率；

17、(2)对训练数据提取特征组建特征向量，选取海杂波的形态、海杂波持续时间、海杂波的rcs三个特征作为特征量，其定义分别为：

18、(a)海杂波的形态：利用形态学理论，确定海杂波占用的距离单元和方位单元的个数；

19、(b)海杂波持续时间：利用信号的确知性和杂波的起伏性，比较不同帧之间信号的起伏特性；

20、(c)海杂波的rcs：通过海杂波所在距离，根据雷达方程反推海杂波rcs，将rcs作为一个特征量；

21、(3)将提取到的纯海杂波特征向量通过svdd训练算法生成svdd分类器，将不同入射余角、不同海情的分类器门限构成数据表；

22、(4)提取测试数据的特征，并组建特征向量，计算得到特征向量，提取平台当前时刻对应的svdd分类器门限，通过比较特征向量和分类器门限，实现对目标的检测。

23、本发明的有益效果是：

24、相比于现有技术，本技术方案所述的基于支持向量机门限面的弹载雷达目标检测方法，有益效果在于：

25、(1)将海杂波先验与后验结合，在先验的引导下，利用kl散度来计算两者的贴合度，实时开展海杂波频谱归一化处理，提高了杂波下检测的稳定性和准确性。

26、(2)将海杂波的形态、海杂波持续时间、海杂波的rcs这三个量作为特征量引入，智能识别的可解释性更强。

27、以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可延伸到其他的修改、变化和应用，都应涵盖在本发明的包含范围之内。

技术特征：

1.一种高超声速弹载雷达目标抗杂检测与智能鉴别方法，其特征在于包括以下技术措施：

2.一种高超声速弹载雷达目标抗杂检测与智能鉴别方法，其特征在于权利要求1步骤四中分类器的获取方法具体为

技术总结
本发明隶属于雷达目标探测识别研究领域，适用于解决高超声速飞行器在末制导阶段弹载雷达大入射余角高海情下对低速目标检测问题。首先将海杂波频谱用高斯曲线近似，获得不同入射余角不同海情下的先验频谱，利用块中值法进行海杂波实时谱测量，通过KL散度的海杂波频谱估计与归一化抑制，对海杂波的频谱进行白化，经过短时傅里叶变换后得到新的二维矩阵信号，利用支持向量机对海杂波进行鉴别，从而实现末制导雷达抗海杂波的目的。本发明的将海杂波频谱先验与后验相结合，提高了杂波下检测的稳定性和准确性；选取海杂波的形态、海杂波持续时间、海杂波的RCS三个特征作为特征量，智能识别的可解释性强。

技术研发人员：吴巍,王子墨,薛冰,刘丹丹
受保护的技术使用者：中国人民解放军海军工程大学
技术研发日：
技术公布日：2024/1/13